必须显式确保输入为float32且含batch维度，tf.image.resize等操作对shape和dtype极其敏感，否则直接报InvalidArgumentError。
TensorFlow 的 tf.image 操作对输入张量的形状极其敏感，一旦维度不匹配或数据类型不对，就会直接抛出 InvalidArgumentError: All input tensors must have the same shape 或类似错误——这不是 bug，而是设计使然：它要求你显式满足形状契约。
为什么 tf.image.resize 会报 “ValueError: Dimension size must be evenly divisible”？
这个错误通常出现在用 tf.image.resize 处理非标准尺寸图像时，比如传入 shape=[1, 256, 320, 3] 却指定 size=[224, 224]，而底层 resize 算法（如 bilinear）在某些模式下会检查中间计算的步长是否整除，尤其当使用 antialias=True 或旧版 TF 时更易触发。
- 确保输入是
float32：tf.image.resize不接受uint8，必须先tf.cast(img, tf.float32) - 检查 batch 维度是否存在：单张图要加 batch 维，用
tf.expand_dims(img, 0)；批量图则不能漏掉 batch 维 - 避免动态 shape：如果来自
tf.data.Dataset，用dataset.map(lambda x: tf.ensure_shape(x, [None, None, 3]))预设 H/W 可变但通道固定
tf.image.pad_to_bounding_box 报 “InvalidArgumentError: paddings must be non-negative” 怎么办？
这个错误不是因为 padding 值负数，而是因为目标尺寸小于原始图像尺寸——pad_to_bounding_box 只做填充，不做裁剪。它要求 target_height >= height 且 target_width >= width，否则直接失败。
调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。
- 先用
tf.shape(img)[0]和tf.shape(img)[1]动态获取当前尺寸，再和目标比较 - 若需统一尺寸又不确定大小，改用
tf.image.resize_with_pad，它自动裁剪+填充组合处理 - 注意
offset_height/offset_width必须 ≥ 0，且offset_height + target_height不能超过原图高度（否则仍报错）
从 tf.io.decode_jpeg 读出的图为什么 shape 是 (None, None, 3)？
这是 TensorFlow 的符号 shape 行为：解码器无法在图构建期确定图像实际宽高，所以返回 [None, None, 3]。后续 tf.image 操作（如 crop_and_resize）可能因 shape 未知而报错或编译失败。
立即学习“Python免费学习笔记（深入）”；
- 训练中建议用
tf.image.decode_jpeg(..., expand_animations=False)+tf.image.convert_image_dtype标准化 dtype - 关键一步：加
tf.ensure_shape(img, [256, 256, 3])强制设定静态 shape（前提是你知道目标尺寸） - 推理时若尺寸不固定，优先用
tf.image.resize替代所有依赖固定 shape 的操作，避开 shape 推断问题
最常被忽略的是 dtype 和 batch 维度的隐式假设——tf.image 几乎所有函数都默认输入是 float32 且带 batch 维，哪怕你只处理一张图。不检查这两点，90% 的形状异常都源于此。
